Coding and Paper Letter（四十九）

資源整理。預計是春節前最後一次更文了。

1 Coding:

1.R語言包satin，構建shiny儀表盤的框架。

satin

2.R語言包vein，自下而上估計的車輛排放量清單模型。

vein

3.微信小程序優秀教程、輪子、開源項目資源彙總。

MasterWechatApp

4.shiny企業級儀表盤。

db dashboard

5.R語言包Rweixin，R語言與weixin account接口。

Rweixin

6.一個R語言與weixin account接口的實踐。

Example for R Weixin

7.Fluent Python一書的示例代碼。

example code

8.Sentinel-2影像的超分辨率學習（全球適用的深度神經網絡）。

DSen2

9.一個可視化全球天氣情況的項目。

earth

10.R語言包STRbook，C.K. Wikle, A. Zammit-Mangion和N. Cressie的用R作時空統計書的支撐材料。

STRbook

11.從AWS上Sentinel公共數據集庫建立Landsat時空數據目錄（STAC）。

sat stac sentinel

12.在AWS上建立來自Sentinel1的STAC目錄。

sat stac sentinel1

13.收集實時公交數據並將其處理爲追溯的GTFS。

retro gtfs

14.R語言包credentials，用於管理SSH和Git憑據的工具。

credentials

15.地理數據科學。

gds18

16.從文件結構看，EGU 2018的內容。這是一組jupyter筆記本，具備與訪問和使用數據服務相關的各類教程，信息。

jupyter notebook

17.Python機器學習實踐。

Practical Machine Learning with python

18.Python庫plotnn，從keras模型繪製神經網絡可視化。

plotnn

19.從卷積神經網絡的推廣到圖形結構數據的Graph CNN實現論文。

graph cnn

20.提供使用PySpark的基本算法。

pyspark tutorial

21.R語言包whiteboxR，用於地理空間分析的whitebox軟件相關的R包。

whiteboxR

22.可擴展的R機器學習。

r4ml

23.R語言包ggisoband，爲isoband庫提供了一個ggplot2接口，該接口能夠生成包含高程數據的規則間隔網格的等高線（等值線）和等高線多邊形（等邊線）。

ggisoband

24.Python工具，用於地理配置網絡攝像頭圖像並將其投影到地圖座標中。

georef webcam

25.R語言包Vizumap，用於可視化空間數據不肯定性。

Vizumap

2 Paper:

1.A New Cloud Detection Method Supported By GlobeLand30 Data set/GlobeLand30數據集支持新的雲檢測方法

就傳統的閾值方法而言，均勻閾值用於遙感圖像的雲檢測;然而，因爲複雜的表面結構和雲狀態，這種方法一般難以有效地實現圖像的高精度雲檢測。爲了解決這個問題，提出了一種基於全球土地覆蓋數據的新的雲檢測算法。具體而言，採用具備全球覆蓋的高空間分辨率30米全球陸地覆蓋數據集做爲圖像反演的背景信息，進一步支持遙感影像中的雲檢測。土地覆蓋類型發生變化時，閾值設置可能會有所不一樣。這種算法能夠有效地提升薄/破雲的雲像素識別精度，即便在明亮區域也是如此。此外，Landsat 5數據用於基於該算法執行雲檢測實驗。在考慮土地覆蓋類型變化特徵的狀況下設定閾值。表現出時空變化的土地覆蓋的閾值（例如植被）因緯度和時間而不一樣。此外，還選擇了六種常見的土地覆蓋類型進行雲探測實驗。而後，經過視覺解釋進行驗證，代表該算法可以達到高雲檢測精度，雲覆蓋的總RMSE爲4.44％。最後，雲和晴空像素的通常準確度分別爲86.5％和98.7％。基於GlobalLand30的雲檢測，GlobalLand30的新應用。

2.A comparison of the cloud detection results between the UDTCDA mask and MOD35 cloud products/比較UDTCDA掩碼和MOD35雲產品之間的雲檢測結果

UDTCDA（通用動態閾值雲檢測算法）是最近提出的一種新的雲檢測方法。該雲檢測方法由從MODIS表面反射率積（MOD09）得到的先驗表面反射率支持。使用可見到近紅外波長的四個波段的反射來檢測混濁像素。由於在地面上存在先驗參考數據，因此能夠從清晰像素中很好地檢測到薄雲和分數雲的像素。 MOD35是MODIS雲面罩產品，結合使用反射率和亮度溫度來肯定250m和1km分辨率的雲像素。可見光，近紅外和熱紅外波段中的36個波段中的22個用於建立高質量的雲蒙版。視覺解釋和CALIPSO數據比較的方法用於評估兩種雲檢測算法。新的雲檢測算法與MODIS產品的比較結果。

3.Relationship between PM 2.5 adsorption and leaf surface morphology in ten urban tree species in Shenyang, China/瀋陽市10種城市樹種PM 2.5吸附與葉片表面形態的關係

本研究採用瀋陽市10種樹種葉片吸附直徑<2.5μm（PM2.5）的顆粒物質。使用氣溶膠發生器定量測定PM2.5吸附容量。原子力顯微鏡用於肯定葉片表面的微觀形態特徵，包括粗糙度參數和樹葉的PM2.5吸取機制。結果代表，不一樣月份PM2.5吸附量與PM2.5濃度呈正相關：10月（0.618±0.16μg·cm -2）> 9月（0.514±0.14μg·cm -2）> 7月（0.509±0.14） μg·cm -2）> 8月（0.487±0.12μg·cm -2）> 6月（0.464±0.08μg·cm -2）> 5月（0.359±0.08μg·cm -2）。葉片的PM2.5吸取能力較高，其中摺疊的葉片被細毛覆蓋，由於它們很粗糙，葉片表面有許多突起和填充物。葉面光滑，氣孔密度低，氣孔開放的樹種吸附PM2.5的能力較弱。根據PM2.5單位葉面積吸附量對葉片的平均粗糙度進行排序，葉片粗糙度與PM2.5單位葉面積吸附量顯着相關（R²= 0.706）。應選擇具備葉表面形態的樹種，以促進PM2.5和其餘顆粒（如油松和側柏）的吸取，以改善城市森林對空氣質量的環境影響。定量化分析樹種滯塵效果的微觀研究，比較有意思的研究，以前也有推薦過幾篇相似的文章。

4.Uncertainty quantification of soil property maps with statistical expert elicitation/用統計專家引出的土壤屬性圖的不肯定性量化

準確性評估和不肯定性分析是各類科學學科中數據和數據分析質量的關鍵。對於土壤科學，重要的是量化用於環境和農業生態研究和決策的土壤圖的準確性。可是，許多土壤圖不提供有關相關精度的信息。對於這些地圖，能夠經過獨立驗證來評估準確性，但這須要額外的實地工做來收集驗證數據，而且不提供地圖不肯定性的完整機率描述，例如不肯定性傳播分析所要求的。相反，在本研究中，咱們的目的是使用來自多位專家的知識來量化土壤屬性圖中的準確性和空間不肯定性。所討論的土壤性質圖是英國East Anglian Chalk地區的田間容量（SWFC）的土壤容積容積圖。使用正式的統計專家啓發程序提取多位專家關於遺留土壤圖錯誤的機率模型描述的知識。應用基於網絡的變異函數啓發工具從專家那裏得到該地圖偏差的邊際機率分佈和空間相關性。引出的結果代表，SWFC在研究區域的空間偏差以多元正態隨機函數爲特徵。隨機函數的變異函數是Matérn模型，其中nugget = 0.45％2，部分sill = 54.6％2，範圍= 25,400 m，kappa = 0.40。結果代表，專家及其提供的知識在量化空間不肯定性方面具備重要價值，所以可填補缺少土壤性質圖準確性信息的空白。定量化土壤屬性圖的空間不肯定性，利用了專家知識估計空間不肯定性，這是一個新的不肯定性估計方法，值得關注。

5.Poisson-Gamma Mixture Spatially Varying Coefficient Modeling of Small-Area Intestinal Parasites Infection/Poisson-Gamma混合空間變化係數模型的小區域腸道寄生蟲感染

瞭解人口因素對腸寄生蟲感染的時空變化的空間變化影響對於公共衛生干預和監測很是重要。本文提出了一種分層貝葉斯空間變異係數模型，以評估人口因素對加納腸道寄生蟲發病率的影響。該模型依賴於地區衛生信息管理系統收集的發病率數據。咱們開發了Poisson和Poisson-gamma空間變化係數模型。咱們使用人口統計因素，不安全的飲用水，不安全的廁所和不安全的液體廢物處理做爲模型協變量。使用集成的嵌套拉普拉斯近似（INLA）擬合模型。腸道寄生蟲感染的整體風險估計爲每100人10.9，在區域特定的後驗風險估計中具備普遍的空間變化。不安全飲用水，不安全廁所和不安全的液體廢物處理的乘法效應增長的實質性空間變化發生在腸道寄生蟲風險的變化上。結構化的殘餘空間變化普遍地支配着非結構化組件，這代表未解釋的風險因素在空間上是連續的。該研究得出結論，後風險的空間分佈和相關的超越機率圖對於監測和控制腸道寄生蟲相當重要。利用空間統計分析模型分析人口對於腸道微生物寄生物的影響。並利用了一些環境協變量分析感染風險。